대한심장혈관영상의학회

Journal PICK

안녕하세요. 세브란스 병원 서영주입니다. KOSCI뉴스레터에 논문을 소개할 기회를 주셔서 감사드립니다. 이번에 소개드릴 연구는 최근 Korean Journal of Radiology에 게재된 다기관 연구로, 영상 획득 및 재구성 파라미터가 다양한 저선량 흉부 CT 영상에서 딥러닝 기반 영상 변환을 통해 관상동맥 석회화 점수의 자동 측정 정확도를 향상시킬 수 있는지를 평가하였습니다.

관상동맥 석회화(Coronary Artery Calcification, CAC)는 심혈관 질환 위험 예측에 있어 중요한 영상 바이오마커이며, 일반적으로 심전도 동기화 심장 CT를 통해 측정됩니다. 그러나 폐암 검진 등으로 시행되는 저선량 흉부 CT(low-dose chest CT, LDCT)에서도 CAC가 우연히 관찰되는 경우가 많아, 이를 어떻게 정확하게 평가하고 임상적으로 활용할 수 있을지에 대한 관심이 높아지고 있습니다. 최근 여러 가이드라인에서도 흉부 CT상 CAC의 유무와 심각도를 보고(reporting)할 것을 권고하고 있으며, 이와 관련된 시간과 노력을 줄이기 위해 딥러닝 기반 자동 CAC 점수 측정 알고리즘이 개발되어 실제 판독 환경에서 사용되고 있습니다.

하지만 LDCT 영상의 경우 폐 실질 평가를 목적으로 얇은 슬라이스 두께와 sharp한 커널로 재구성되는 경우가 많습니다. 이러한 영상에 기존 심전도 동기화 심장 CT 기반의 CAC 자동 측정 알고리즘을 그대로 적용할 경우 CAC 점수 측정 및 위험도 분류에서 오류가 빈번하게 발생하는 문제가 있습니다.

본 연구에서는 딥러닝을 활용하여 얇은(1 또는 1.25 mm) sharp (high-frequency) 커널 LDCT 영상을 3 mm 두께의 low-frequency 커널 영상으로 자동 변환한 뒤, 이 변환 영상에서 산출된 CAC 자동 측정 점수가 심전도 동기화 심장 CT에서의 수동 측정 점수와 얼마나 일치하는지를 평가하였습니다. 이를 위해 국내 4개 기관에서 225명의 환자 데이터를 후향적으로 수집·분석하였습니다.

그 결과, 영상 변환을 적용하지 않은 LDCT 원영상에서는 자동 점수가 기준 대비 평균적으로 200점 이상 과소평가되었고, 상관계수(CCC)는 0.269, 위험도 분류 일치도(κ)는 0.115로 낮은 수준이었습니다. 반면, 딥러닝 기반 영상 변환을 적용한 경우 점수 편향은 거의 사라졌으며, CCC는 0.881, κ는 0.792로 크게 개선되었습니다. 이는 딥러닝 영상 변환 기법이 LDCT영상 파라미터의 이질성을 극복하고, 자동 CAC 정량화의 정확도와 임상 적용 가능성을 실질적으로 향상시킬 수 있음을 보여줍니다.

이번 연구는 KOSCI에서 지원한 다기관 연구비의 수혜를 받아 수행되었으며, 여러 회원 선생님들의 적극적인 참여와 협업 덕분에 의미 있는 결과를 도출할 수 있었습니다. 이 자리를 빌려 깊이 감사드립니다.